Reconfigurable cnn accelerator design using dataflow analysis

Veri akışının yeniden yapılandırılabilirliği, evrişim işlemleri için en uygun veri akışı modelini belirleyerek Evrişimsel Sinir Ağı (CNN) hızlandırmasında önemli bir rol oynar. Tamamen yeniden yapılandırılabilir mimariler, birden fazla veri akışı seçeneğini destekleyerek çok yönlülük ve yüksek kaynak kullanımı sağlar, ancak bu durum artan tasarım karmaşıklığı ve işlem yükünü beraberinde getirir. Öte yandan, tek bir veri akışı modeli için optimize edilmiş, yeniden yapılandırılamayan mimariler, belirli görevler için yüksek verimlilik sunar ancak uyarlanabilirlikten yoksundur. Bu tez, esneklik ve verimliliği dengeleyen, çeşitli CNN uygulamalarında uyarlanabilirliği ve performansı artıran, anahtar veri akışı seçeneklerini birleştiren yenilikçi bir ara seviye yeniden yapılandırılabilir veri akışlı CNN hızlandırıcısı sunmaktadır. Ayrıntılı bir analizle, anahtar veri akışları belirlenmiş ve veri akışı seçiminde kullanılmak üzere özel bir mimari birim geliştirilmiştir; bu birim, optimum senaryoya kıyasla sadece ortalama %0.15 gecikme ile çalışmaktadır. Özel tasarlanmış sistolik dizi mimarimiz, çeşitli filtre boyutlarını destekleyerek yeniden yapılandırılabilirliğe ek bir katman eklemektedir. Mimarimiz, tamamen yeniden yapılandırılabilir tasarımlara kıyasla %39 daha az alan ve %35 daha az güç gerektirmektedir. Ayrıca, yeniden yapılandırılamayan mimarilere kıyasla ortalama %33 daha iyi performans sağlamaktadır. Verimlilik açısından, tamamen yeniden yapılandırılabilir tasarımlara göre %7'lik bir artış sağlamakta ve yeniden yapılandırılamayan seçenekleri 3.57 kata kadar daha yüksek verimlilikle geride bırakmaktadır.